CN115310727A - 一种基于迁移学习的建筑冷热电负荷预测方法及系统 - Google Patents
一种基于迁移学习的建筑冷热电负荷预测方法及系统 Download PDFInfo
- Publication number
- CN115310727A CN115310727A CN202211237284.7A CN202211237284A CN115310727A CN 115310727 A CN115310727 A CN 115310727A CN 202211237284 A CN202211237284 A CN 202211237284A CN 115310727 A CN115310727 A CN 115310727A
- Authority
- CN
- China
- Prior art keywords
- heating
- cooling
- power load
- load data
- building
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 221
- 238000010438 heat treatment Methods 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013526 transfer learning Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000004088 simulation Methods 0.000 claims description 43
- 238000013508 migration Methods 0.000 claims description 18
- 230000005012 migration Effects 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 18
- 238000011176 pooling Methods 0.000 description 10
- 150000001875 compounds Chemical class 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000005265 energy consumption Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于迁移学习的建筑冷热电负荷预测方法及系统，涉及建筑电负荷预测技术领域，该方法包括：获取多个源域建筑实际和仿真的冷热电负荷数据以及目标域建筑的仿真冷热电负荷数据，计算得到多个源域建筑冷热电负荷数据的时序误差，利用斯皮尔曼等级相关系数计算得到目标域建筑和多个源域建筑的相关性，以此计算得到权重误差，将该权重误差迁移至目标域建筑仿真冷热电负荷数据，以此作为目标域建筑的历史冷热电负荷数据，构建并训练预测模型，通过训练完成的预测模型，预测目标域建筑的冷热电负荷数据。本发明解决了某区域出现新建筑，由于缺少历史冷热电数据而无法对其负荷进行准确预测的问题，提高了建筑冷热电负荷预测的准确性。
Description
技术领域
本发明属于建筑电负荷预测技术领域，尤其涉及一种基于迁移学习的建筑冷热电负荷预测方法及系统。
背景技术
近年来，随着人口数量的不断增长以及科学技术的飞速发展，环境问题、能源问题使得全球面临着巨大危机，因此，在节约能源、保护环境的基础上实现可持续发展具有十分重要的意义。目前，节能减排的三个主要领域是：建筑、工业以及交通。由于人口的增长，对建筑服务和舒适度的需求不断增加，以及在建筑物内停留时间的增加等因素，截止目前，建筑领域能耗已经超过其他两个领域能耗。建筑的能耗大部分来自电负荷，而随着社会对电力系统运行的安全性、稳定性以及经济性的要求不断提高，电负荷预测的重要性也日益突出。电负荷预测是指对未来能源需求的估计，是能源系统运行管理的重要组成部分，是合理安排发电、输电和配电的必要前提，对现代能源系统的发展至关重要。而精准建筑电负荷预测是电力系统高效稳定运行的基础，是电网能源管理中的关键问题。
建筑电负荷预测包括建筑冷热电负荷预测，其中，冷负荷是指在为保持建筑物的热湿环境和所要求的室内温度，需要由空调系统从房间带走的热量，即在某一时刻需向房间供应的冷量，相反，如果空调系统需要向室内供热，以补偿房间损失热量而向房间供应的热量称为热负荷。针对建筑冷热电负荷预测目前已有多种预测方法，如利用传统的自回归移动平均模型、自回归综合移动平均模型等统计方法进行建筑电负荷的预测，然而，当有一个目标域建筑出现时，由于其历史冷热电负荷数据缺少，现有的基于深度学习的预测方法难以实现对该新建筑进行精准冷热电负荷预测，从而无法精准估计未来能源需求。将源域建筑的冷热电负荷数据迁移至目标域建筑可以有效的解决这一关键问题，然而，在源域建筑较多的情况下，对冷热电负荷数据盲目迁移往往造成适得其反的效果。
发明内容
为解决上述现有技术的不足，本发明提供了一种基于迁移学习的建筑冷热电负荷预测方法及系统，将多个源域建筑冷热电负荷数据权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史真实冷热电负荷数据，以此训练预测模型，通过训练完成的预测模型进行负荷精确预测，解决了某区域出现新建筑，由于缺少历史冷热电数据而无法对其负荷进行准确预测的问题。
第一方面，本公开提供了一种基于迁移学习的建筑冷热电负荷预测方法。
一种基于迁移学习的建筑冷热电负荷预测方法，包括：
获取多个源域建筑的实际冷热电负荷数据，对目标域建筑和多个源域建筑分别建模，得到目标域建筑和多个源域建筑的仿真冷热电负荷数据；
根据多个源域建筑的实际冷热电负荷数据和仿真冷热电负荷数据，得到多个源域建筑冷热电负荷数据的时序误差；
利用斯皮尔曼等级相关系数分别计算目标域建筑仿真冷热电负荷数据和多个源域建筑仿真冷热电负荷数据的相关性，根据相关性计算得到多个源域建筑冷热电负荷数据的权重误差；
将多个源域建筑冷热电负荷数据的权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史冷热电负荷数据；
基于目标域建筑的历史冷热电负荷数据，构建并训练预测模型，通过训练完成的预测模型，对目标域建筑冷热电负荷数据进行预测。
进一步的技术方案，设置源域建筑的冷热电负荷误差阈值，通过比较多个源域建筑的冷热电负荷误差数据和冷热电负荷误差阈值，判断多个源域建筑建模是否准确，若准确，则进行后续步骤，若不准确，则重新建模直至建模准确。
进一步的技术方案，设置相关性阈值，通过比较多个源域建筑仿真冷热电负荷数据和目标域建筑仿真冷热电负荷数据的相关性与设定的相关性阈值，判断多个源域建筑是否符合迁移学习的标准，若符合，则进行后续步骤，若不符合，则重新选择源域建筑直至符合标准。
进一步的技术方案，根据多个源域建筑仿真冷热电负荷数据与目标域仿真冷热电负荷数据的相关性的大小，分别对多个源域建筑冷热电负荷数据时序误差赋予不同权重，计算时序误差与其权重的乘积，得到多个源域建筑冷热电负荷数据的权重误差。
进一步的技术方案，将多个源域建筑冷热电负荷数据权重误差分别直接与目标域建筑仿真冷热电负荷数据相加，进行迁移学习，得到源域建筑个数的迁移后的冷热电负荷数据。
第二方面，本公开提供了一种基于迁移学习的建筑冷热电负荷预测系统。
一种基于迁移学习的建筑冷热电负荷预测系统，包括：
数据获取模块，用于获取多个源域建筑的实际冷热电负荷数据，对目标域建筑和多个源域建筑分别建模，得到目标域建筑和多个源域建筑的仿真冷热电负荷数据；
数据处理模块，用于根据多个源域建筑的实际冷热电负荷数据和仿真冷热电负荷数据，得到多个源域建筑冷热电负荷数据的时序误差；利用斯皮尔曼等级相关系数分别计算目标域建筑仿真冷热电负荷数据和多个源域建筑仿真冷热电负荷数据的相关性，根据相关性计算得到多个源域建筑冷热电负荷数据的权重误差；
历史数据构建模块，用于将多个源域建筑冷热电负荷数据的权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史冷热电负荷数据；
建筑冷热电负荷预测模块，用于基于目标域建筑的历史冷热电负荷数据，构建并训练预测模型，通过训练完成的预测模型，对目标域建筑冷热电负荷数据进行预测。
进一步的技术方案，设置源域建筑的冷热电负荷误差阈值，通过比较多个源域建筑的冷热电负荷误差数据和冷热电负荷误差阈值，判断多个源域建筑建模是否准确，若准确，则进行后续步骤，若不准确，则重新建模直至建模准确。
进一步的技术方案，设置相关性阈值，通过比较多个源域建筑仿真冷热电负荷数据和目标域建筑仿真冷热电负荷数据的相关性与设定的相关性阈值，判断多个源域建筑是否符合迁移学习的标准，若符合，则进行后续步骤，若不符合，则重新选择源域建筑直至符合标准。
进一步的技术方案，根据多个源域建筑仿真冷热电负荷数据与目标域仿真冷热电负荷数据的相关性的大小，分别对多个源域建筑冷热电负荷数据时序误差赋予不同权重，计算时序误差与其权重的乘积，得到多个源域建筑冷热电负荷数据的权重误差。
进一步的技术方案，将多个源域建筑冷热电负荷数据权重误差分别直接与目标域建筑仿真冷热电负荷数据相加，进行迁移学习，得到源域建筑个数的迁移后的冷热电负荷数据。
以上一个或多个技术方案存在以下有益效果：
1、本公开提出了一种基于迁移学习的建筑冷热电负荷预测方法，将多个源域建筑实际测量获取的实际冷热电负荷数据与TRNSYS能耗模拟软件仿真得到的仿真冷热电负荷数据做差，得到服从某种分布的各源域建筑冷热电负荷数据时序误差，考虑该误差是否低于设定阈值，若低于设定阈值则说明仿真数据有效，若高于设定阈值，则说明仿真数据误差较高，需对TRNSYS建筑模型进行微调，直至误差低于设定阈值，以及有效提高了迁移学习冷热电负荷预测的精确性。
2、本公开所述方法利用Spearman等级相关系数对多个源域建筑的仿真冷热电负荷数据与目标域建筑的仿真冷热电负荷数据进行相关性分析，考虑此相关性是否大于设定阈值，若低于该设定阈值，则说明此源域建筑与目标域建筑相关性小，进而无法进行迁移学习，舍弃该源域建筑，重新寻找适合的源域建筑，若高于该设定阈值，则说明此源域建筑与目标域建筑相关性大，可以进行后续迁移学习，以此进一步提高了后续迁移学习冷热电负荷预测的准确性。
3、本公开所述方法根据Spearman相关系数的大小，对各源域建筑冷热电负荷数据时序误差赋予不同权重，然后迁移多个源域建筑的仿真数据权重误差，缓解了直接迁移负荷数据导致的负荷不匹配问题，解决了对单一源域建筑冷热电负荷数据误差进行迁移学习造成的无法灵活调控的问题，提高目标域建筑仿真历史数据的准确性，进而提高目标域建筑冷热电负荷预测的准确性。
4、本公开所述方法将多个源域建筑冷热电负荷数据权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史真实冷热电负荷数据，以此训练预测模型，通过训练完成的预测模型进行负荷精确预测，解决了某区域出现新建筑，由于缺少历史冷热电数据而无法对其负荷进行准确预测的问题。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一所述预测方法的整体流程图；
图2为本发明实施例一所述预测模型的预测流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种基于迁移学习的建筑冷热电负荷预测方法，如图1所示，包括：
步骤1、获取多个源域建筑的实际冷热电负荷数据，对目标域建筑和多个源域建筑分别建模，得到目标域建筑和多个源域建筑的仿真冷热电负荷数据；
步骤2、根据多个源域建筑的实际冷热电负荷数据和仿真冷热电负荷数据，得到多个源域建筑冷热电负荷数据的时序误差；
步骤3、利用斯皮尔曼等级相关系数分别计算目标域建筑仿真冷热电负荷数据和多个源域建筑仿真冷热电负荷数据的相关性，根据相关性计算得到多个源域建筑冷热电负荷数据的权重误差；
步骤4、将多个源域建筑冷热电负荷数据的权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史冷热电负荷数据；
步骤5、基于目标域建筑的历史冷热电负荷数据，构建并训练预测模型，通过训练完成的预测模型，对目标域建筑冷热电负荷数据进行预测。
具体的，在本实施例中，步骤1，首先，通过实际测量获取多个源域建筑的实际冷热电负荷数据。其中，源域建筑指的是区别于待预测的目标域建筑的其他建筑，目标域建筑为新建筑，其历史冷热电负荷数据缺少，若直接根据该历史冷热电负荷数据建模预测，最终预测结果并不准确，而源域建筑是相对于目标域建筑而言早已存在的建筑，其历史冷热电负荷数据较多。
通过对源域建筑物内部制冷/制热设备的入水、回水的温度以及流速的测量，并通过下述热力学公式（1）的计算，得到建筑物的冷热负荷，即：
式中，Q表示放出/吸收的热量，c表示水的比热容，m表示水的质量，△t表示入水与回水的温度差。
将实际测量得到的多个源域建筑冷热负荷作为多个源域建筑的实际冷热电负荷数据{X 1 ,X 2 ,…,X n }，其中X i 表示第i个源域建筑的实际冷热电负荷数据集，i=1,2,...,n，n表示源域建筑的数量，如式（2）所示：
式中，Q it 为第i个源域建筑在t时刻实际冷热电负荷数据。
同时，对目标域建筑和多个源域建筑分别建模，得到目标域建筑和多个源域建筑的仿真冷热电负荷数据。具体的，利用TRNSYS能耗模拟软件进行建模，TRNSYS作为一款能耗模拟软件，首先利用SketchUp建模软件建立建筑的物理模型，然后将其导入TRNSYS并设置后建筑的各热力学参数，如各墙体传热系数、玻璃传热系数、制冷制热温度等，然后设置好各电气设备的电气参数，最后可得到该建筑仿真的冷热电负荷数据。
利用TRNSYS能耗模拟软件对目标域建筑和多个源域建筑分别建模，得到目标域建筑的仿真冷热电负荷数据{Y s }和多个源域建筑的仿真冷热电负荷数据{X s1 ,X s2 ,…,X sn }，其中，X si 表示第i个源域建筑的仿真冷热电负荷数据集，如式（3）和式（4）所示：
式中，Q sit 为第i个源域建筑在t时刻仿真冷热电负荷数据，Q t 为目标域建筑在t时刻仿真冷热电负荷数据。
步骤2中，根据多个源域建筑的实际冷热电负荷数据和仿真冷热电负荷数据，得到多个源域建筑冷热电负荷数据的时序误差。
具体的，将多个源域建筑实际测得的实际冷热电负荷数据与TRNSYS能耗模拟软件仿真得到的冷热电负荷数据做差，得到服从某种分布的各源域建筑冷热电负荷数据时序误差。即，根据多个源域建筑的实际冷热电负荷数据{X 1 ,X 2 ,…,X n }与仿真冷热电负荷数据{X s1 ,X s2 ,…,X sn }，通过做差得到满足某种分布的各源域建筑冷热电负荷数据误差{ε 1 ,ε 2 ,…,ε n }，如式（5）所示。
式中，ε i 表示第i个源域建筑的冷热电负荷误差数据集，如式（6）所示。
式中，△ε it 表示第i个源域建筑在t时刻的冷热电负荷误差数据。
在此基础上，作为另一种实施方式，设置源域建筑的冷热电负荷误差阈值，通过比较多个源域建筑的冷热电负荷误差数据和冷热电负荷误差阈值，判断多个源域建筑建模是否准确，若准确，则进行后续步骤，若不准确，则重新建模直至建模准确。
具体的，判断源域建筑的冷热电负荷误差数据集ε i 是否低于设定的冷热电负荷误差阈值：若低于该阈值，则说明源域建筑通过TRNSYS（TRNSYS，Transient SystemSimulation Program，即瞬时系统模拟程序）仿真得到的仿真冷热电负荷数据集X si 较为准确，误差较小；若高于该阈值，说明源域建筑通过TRNSYS仿真得到的仿真冷热电负荷数据集X si 不准确，误差较大。TRNSYS建立的建筑模型不准确，通过建立更精准的建筑物理模型、调整建筑围护结构和时间表等操作进行模型修正，重新得到仿真冷热电负荷数据集X si ，直至源域建筑的冷热电负荷误差数据集ε i 低于该阈值。
步骤3中，利用斯皮尔曼等级相关系数分别计算目标域建筑仿真冷热电负荷数据和多个源域建筑仿真冷热电负荷数据的相关性，根据相关性计算得到多个源域建筑冷热电负荷数据的权重误差。
具体的，将多个源域建筑的仿真冷热电负荷数据X si 分别与目标域建筑的冷热电仿真数据X t 进行斯皮尔曼Spearman等级相关性分析。Spearman等级相关系数用来估计时间序列X、Y之间的相关性，时间序列之间的相关性可以用单调函数来描述，对两个时间序列X、Y中的数据x i 、y i 进行排序，然后记下排序以后的位置（rank(x i ),rank(y i )），（rank(x i ),rank(y i )）的值即称为秩次。Spearman等级相关系数计算公式如式（7）和式（8）所示。
式中，d i 为秩次差，N为数据个数，d为两个变量分别排序后成对的变量位置差，与两个相关变量的具体值无关，仅与其值之间的大小关系有关。斯皮尔曼Spearman等级相关系数越大，相关性越大。
利用上述斯皮尔曼等级相关系数分别计算目标域建筑仿真冷热电负荷数据和多个源域建筑仿真冷热电负荷数据的相关性，如式（9）和式（10）所示。
式中，N为X si 与Y s 中的数据个数，即为时刻t的总数，X sit 为源域建筑在t时刻仿真冷热电负荷数据集，Y st 为目标域建筑在t时刻仿真冷热电负荷数据集，d t 为两个数据分别排序后成对的变量位置差，n为源域建筑的个数。
通过分别计算多个源域建筑冷热电负荷数据序列X si 与目标域建筑冷热电负荷数据序列Y s 的Spearman等级相关系数大小，从而确定X si 与Y s 的相关性，Spearman等级相关系数越大，相关性越大。
在此基础上，作为另一种实施方式，设置相关性阈值，通过比较多个源域建筑仿真冷热电负荷数据和目标域建筑仿真冷热电负荷数据的相关性与设定的相关性阈值，判断多个源域建筑是否符合迁移学习的标准，若符合，则进行后续步骤，若不符合，则重新选择源域建筑直至符合标准。
具体的，判断多个源域建筑仿真冷热电负荷数据X si 与目标域建筑仿真冷热电负荷数据Y s 的相关性是否高于设定的相关性阈值：若高于该阈值，则说明该源域建筑与目标域建筑冷热电负荷数据相关性较大，可以用于后续迁移学习；若低于该阈值，则说明该源域建筑与目标域建筑相关性小，不可以用于后续迁移学习，将该建筑舍弃，返回步骤1重新寻找新的源域建筑，直至相关性高于阈值，选择合适的源域建筑。
进一步的，根据多个源域建筑仿真冷热电负荷数据与目标域仿真冷热电负荷数据的相关性的大小，分别对多个源域建筑冷热电负荷数据时序误差赋予不同权重，相关性越大，赋予的权重越大，进而得到多个源域建筑冷热电负荷数据的权重误差。
具体的，根据多个源域建筑仿真冷热电负荷数据X si 与目标域仿真冷热电负荷数据Y s 的相关性大小，对各源域建筑冷热电负荷数据误差{ε 1 ,ε 2 ,…,ε n }赋予权重{w 1 ,w 2 ,…,w n }，得到各源域建筑冷热电负荷数据权重误差{w 1* ε 1,w 2* ε 2,…,w n* ε n }，其中w i 表示第i个源域建筑冷热电负荷数据误差集ε i 的权重，w i* ε i 表示第i个源域建筑冷热电负荷数据权重误差数据集，并且X si 与Y s 的相关性越高，w i 值应越大，且满足w 1+w 2+…+w n =1。
步骤4中，将多个源域建筑冷热电负荷数据的权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史冷热电负荷数据。
具体的，将在步骤3中得到的多个源域建筑冷热电负荷数据权重误差{w 1* ε 1 ,w 2* ε 2 ,…,w n* ε n }通过迁移学习迁移至目标域建筑仿真冷热电负荷数据{Y s }，即将多个源域建筑冷热电负荷数据权重误差{w 1* ε 1 ,w 2* ε 2,…,w n* ε n }分别直接与目标域建筑仿真冷热电负荷数据{Y s }相加，进行迁移学习，得到源域建筑个数（即n个）的迁移后的冷热电负荷数据作为目标域建筑的历史冷热电负荷数据。
其中，迁移学习中进行学习的主体叫做领域（D），包括两个部分：源域（s）、目标域（t）；迁移学习中学习的目标叫做任务（T），包括两个部分：标记空间（Y）、学习函数（f）。
给定源域D s 和源任务T s ，目标域D t 和目标任务T t ，迁移学习的目标为当D s ≠D t 或者T s ≠T t 时，利用D s 和T s 的知识，提升T t 学习函数f t (·)的预测效果。
步骤5中，基于目标域建筑的历史冷热电负荷数据，构建并训练预测模型，通过训练完成的预测模型，对目标域建筑冷热电负荷数据进行预测。
将上述步骤计算得到的目标域建筑的历史冷热电负荷数据作为样本集，将样本集按照一定比例划分为训练集与测试集，其中，训练集用于负荷预测模型的训练，测试集用于检验模型的预测结果精度，之后将训练集数据输入CNN-LSTM模型。
本实施例上述预测模型采用CNN-LSTM模型，其中，卷积神经网络（CNN）包含了一个由卷积层和子采样层（即池化层）构成的特征抽取器。在卷积神经网络的卷积层中，一个神经元只与部分邻层神经元连接。卷积神经网路中每层卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法优化得到的，卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。
通常在卷积层之后会得到维度很大的特征，池化层将特征切成几个区域，取其最大值或平均值，得到新的、维度较小的特征。最后，全连接层把所有局部特征结合变成全局特征，用来计算最后每一类的得分。
长短期记忆网络(LSTM)是一种循环神经网络，旨在克服长序列训练过程中的梯度消失以及爆炸的问题。LSTM结构主要包括：输入门，遗忘门，输出门，内部记忆单元。
其中，遗忘门用于控制是否遗忘，在LSTM中即以一定的概率控制是否遗忘上一层的隐藏细胞状态。在输入的内容中包含有前一序列的隐藏状态h (t-1) 以及当前序列数据x t ，通过sigmoid激活函数，得到遗忘门的输出
。同时此输出也代表了遗忘上一层隐藏细胞状态的概率，具体如式（11）所示。
式中，W f 、U f 、b f 为线性关系的系数与偏移，σ为sigmoid激活函数。
而输入门则主要处理当前序列位置的输入，主要由两个部分组成，分别包含sigmoid激活函数以及tanh激活函数。二者输出的结果相乘去更新细胞状态，具体如式（12）和式（13）所示。
式中，W i 、U i 、b i 、W a 、U a 、b a 为线性关系的系数与偏移，σ与tanh为激活函数。
内部记忆单元由两部分组成，第一部分为前一细胞状态与遗忘门输出的乘积，另一部分为输入门的乘积，具体如式（14）所示。
式中，
为Hadamard积，即哈达玛积。
输出门主要由两部分组成，第一部分包括前一序列的隐藏状态、当前序列数据以及sigmoid激活函数；第二部分由隐藏状态与tanh激活函数组成，具体如式（15）和式（16）所示。
本实施例采用CNN-LSTM模型，CNN-LSTM由卷积层和池化层组成的CNN框架自动提取数据的内部特征，卷积层进行数据的有效非线性局部特征提取，池化层选取最大池化方法压缩提取的特征并生成更关键的特征信息，LSTM隐藏层建模学习CNN所提取的局部特征的内部动态变化规律，从局部特征中迭代提取更复杂的全局特征，全连接层把前边提取到的特征综合起来，通过全连接层输出最终预测结果。
如图2所示，CNN-LSTM模型主要包括两层一维的CNN网络以及三层LSTM结构。CNN网络主要由一维卷积层、最大池化层以及全局池化层构成，卷积层用于对负荷数据集的有效非线性局部特征进行提取，池化层则利用最大池化的方法压缩卷积层所提取的局部特征，同时生成更为关键的特征信息。再通过全局池化层输出负荷数据集特征提取结果作为LSTM的输入，在LSTM网络之前添加Dropout层，主要目的是在每次数据训练迭代过程中随机丢弃25%的神经元，用于避免过拟合现象，同时随机失活层的加入也会有效提升模型的泛化能力与训练时间，LSTM网络则在隐藏层建模学习CNN网络中所提取到局部特征信息的内部动态变化规律，不断迭代，最终得到更具复杂性的全局特征。
在网络参数优化部分，采用Adam优化器对网络各层的参数进行优化，最后保存训练好的CNN-LSTM模型，利用测试集测试该模型的性能，完成负荷预测模型的训练。通过该训练完成的预测模型，对目标域建筑冷热电负荷数据进行预测，得到精确的负荷预测结果。
通过上述方案，本实施例所述基于迁移学习的建筑冷热电负荷预测方法将多个源域建筑冷热电负荷数据权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史真实冷热电负荷数据，以此训练预测模型，通过训练完成的预测模型进行负荷精确预测，解决了某区域出现新建筑，由于缺少历史冷热电数据而无法对其负荷进行准确预测的问题。
实施例二
本实施例提供了一种基于迁移学习的建筑冷热电负荷预测系统，包括：
数据获取模块，用于获取多个源域建筑的实际冷热电负荷数据，对目标域建筑和多个源域建筑分别建模，得到目标域建筑和多个源域建筑的仿真冷热电负荷数据；
数据处理模块，用于根据多个源域建筑的实际冷热电负荷数据和仿真冷热电负荷数据，得到多个源域建筑冷热电负荷数据的时序误差；利用斯皮尔曼等级相关系数分别计算目标域建筑仿真冷热电负荷数据和多个源域建筑仿真冷热电负荷数据的相关性，根据相关性计算得到多个源域建筑冷热电负荷数据的权重误差；
历史数据构建模块，用于将多个源域建筑冷热电负荷数据的权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史冷热电负荷数据；
建筑冷热电负荷预测模块，用于基于目标域建筑的历史冷热电负荷数据，构建并训练预测模型，通过训练完成的预测模型，对目标域建筑冷热电负荷数据进行预测。
以上实施例二中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于迁移学习的建筑冷热电负荷预测方法，其特征是，包括：
获取多个源域建筑的实际冷热电负荷数据，对目标域建筑和多个源域建筑分别建模，得到目标域建筑和多个源域建筑的仿真冷热电负荷数据；
根据多个源域建筑的实际冷热电负荷数据和仿真冷热电负荷数据，得到多个源域建筑冷热电负荷数据的时序误差；
利用斯皮尔曼等级相关系数分别计算目标域建筑仿真冷热电负荷数据和多个源域建筑仿真冷热电负荷数据的相关性，根据相关性计算得到多个源域建筑冷热电负荷数据的权重误差；
将多个源域建筑冷热电负荷数据的权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史冷热电负荷数据；
基于目标域建筑的历史冷热电负荷数据，构建并训练预测模型，通过训练完成的预测模型，对目标域建筑冷热电负荷数据进行预测。
2.如权利要求1所述的一种基于迁移学习的建筑冷热电负荷预测方法，其特征是，设置源域建筑的冷热电负荷误差阈值，通过比较多个源域建筑的冷热电负荷误差数据和冷热电负荷误差阈值，判断多个源域建筑建模是否准确，若准确，则进行后续步骤，若不准确，则重新建模直至建模准确。
3.如权利要求1所述的一种基于迁移学习的建筑冷热电负荷预测方法，其特征是，设置相关性阈值，通过比较多个源域建筑仿真冷热电负荷数据和目标域建筑仿真冷热电负荷数据的相关性与设定的相关性阈值，判断多个源域建筑是否符合迁移学习的标准，若符合，则进行后续步骤，若不符合，则重新选择源域建筑直至符合标准。
4.如权利要求1所述的一种基于迁移学习的建筑冷热电负荷预测方法，其特征是，根据多个源域建筑仿真冷热电负荷数据与目标域仿真冷热电负荷数据的相关性的大小，分别对多个源域建筑冷热电负荷数据时序误差赋予不同权重，计算时序误差与其权重的乘积，得到多个源域建筑冷热电负荷数据的权重误差。
5.如权利要求1所述的一种基于迁移学习的建筑冷热电负荷预测方法，其特征是，将多个源域建筑冷热电负荷数据权重误差分别直接与目标域建筑仿真冷热电负荷数据相加，进行迁移学习，得到源域建筑个数的迁移后的冷热电负荷数据。
6.一种基于迁移学习的建筑冷热电负荷预测系统，其特征是，包括：数据获取模块，用于获取多个源域建筑的实际冷热电负荷数据，对目标域建筑和多个源域建筑分别建模，得到目标域建筑和多个源域建筑的仿真冷热电负荷数据；
数据处理模块，用于根据多个源域建筑的实际冷热电负荷数据和仿真冷热电负荷数据，得到多个源域建筑冷热电负荷数据的时序误差；利用斯皮尔曼等级相关系数分别计算目标域建筑仿真冷热电负荷数据和多个源域建筑仿真冷热电负荷数据的相关性，根据相关性计算得到多个源域建筑冷热电负荷数据的权重误差；
历史数据构建模块，用于将多个源域建筑冷热电负荷数据的权重误差通过迁移学习迁移至目标域建筑仿真冷热电负荷数据，将迁移后的冷热电负荷数据作为目标域建筑的历史冷热电负荷数据；
建筑冷热电负荷预测模块，用于基于目标域建筑的历史冷热电负荷数据，构建并训练预测模型，通过训练完成的预测模型，对目标域建筑冷热电负荷数据进行预测。
7.如权利要求6所述的一种基于迁移学习的建筑冷热电负荷预测系统，其特征是，设置源域建筑的冷热电负荷误差阈值，通过比较多个源域建筑的冷热电负荷误差数据和冷热电负荷误差阈值，判断多个源域建筑建模是否准确，若准确，则进行后续步骤，若不准确，则重新建模直至建模准确。
8.如权利要求6所述的一种基于迁移学习的建筑冷热电负荷预测系统，其特征是，设置相关性阈值，通过比较多个源域建筑仿真冷热电负荷数据和目标域建筑仿真冷热电负荷数据的相关性与设定的相关性阈值，判断多个源域建筑是否符合迁移学习的标准，若符合，则进行后续步骤，若不符合，则重新选择源域建筑直至符合标准。
9.如权利要求6所述的一种基于迁移学习的建筑冷热电负荷预测系统，其特征是，根据多个源域建筑仿真冷热电负荷数据与目标域仿真冷热电负荷数据的相关性的大小，分别对多个源域建筑冷热电负荷数据时序误差赋予不同权重，计算时序误差与其权重的乘积，得到多个源域建筑冷热电负荷数据的权重误差。
10.如权利要求6所述的一种基于迁移学习的建筑冷热电负荷预测系统，其特征是，将多个源域建筑冷热电负荷数据权重误差分别直接与目标域建筑仿真冷热电负荷数据相加，进行迁移学习，得到源域建筑个数的迁移后的冷热电负荷数据。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211237284.7A CN115310727B (zh) | 2022-10-11 | 2022-10-11 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
| PCT/CN2023/124004 WO2024078530A1 (zh) | 2022-10-11 | 2023-10-11 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211237284.7A CN115310727B (zh) | 2022-10-11 | 2022-10-11 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115310727A true CN115310727A (zh) | 2022-11-08 |
| CN115310727B CN115310727B (zh) | 2023-02-03 |
Family
ID=83867956
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211237284.7A Active CN115310727B (zh) | 2022-10-11 | 2022-10-11 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115310727B (zh) |
| WO (1) | WO2024078530A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024078530A1 (zh) * | 2022-10-11 | 2024-04-18 | 山东建筑大学 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681585A (zh) * | 2018-05-14 | 2018-10-19 | 浙江工业大学 | 一种基于NetSim-TL的多源迁移学习标签流行性预测模型的构建方法 |
| CN109373438A (zh) * | 2018-09-11 | 2019-02-22 | 太原理工大学 | 基于迁移学习算法的供热节能控制方法与系统 |
| US20200097850A1 (en) * | 2018-09-20 | 2020-03-26 | Electronics And Telecommunications Research Institute | Machine learning apparatus and method based on multi-feature extraction and transfer learning, and leak detection apparatus using the same |
| CN110969293A (zh) * | 2019-11-22 | 2020-04-07 | 上海交通大学 | 一种基于迁移学习的短期广义负荷预测方法 |
| CN112330012A (zh) * | 2020-11-03 | 2021-02-05 | 山东大卫国际建筑设计有限公司 | 一种基于迁移学习的建筑能耗预测方法及设备 |
| CN113537571A (zh) * | 2021-06-19 | 2021-10-22 | 复旦大学 | 基于cnn-lstm混合网络模型的建筑能耗电负荷预测方法及装置 |
| CN113887495A (zh) * | 2021-10-21 | 2022-01-04 | 新智我来网络科技有限公司 | 基于迁移学习的视频标注方法及装置 |
| CN114241265A (zh) * | 2021-12-15 | 2022-03-25 | 北京工业大学 | 一种基于样本权重的多源域多层级迁移学习方法 |
| US20220138495A1 (en) * | 2020-11-05 | 2022-05-05 | University Of Electronic Science And Technology Of China | Model and method for multi-source domain adaptation by aligning partial features |
| CN114548575A (zh) * | 2022-02-28 | 2022-05-27 | 山东国地水利土地勘察设计有限公司 | 基于迁移学习的自适应建筑日前负荷预测方法 |
| US20220172038A1 (en) * | 2020-11-30 | 2022-06-02 | International Business Machines Corporation | Automated deep learning architecture selection for time series prediction with user interaction |
| CN115049142A (zh) * | 2022-06-29 | 2022-09-13 | 山东建筑大学 | 基于迁移学习的跨域电动汽车充电站负荷预测方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109214948A (zh) * | 2018-09-25 | 2019-01-15 | 新智数字科技有限公司 | 一种电力系统热负荷预测的方法和装置 |
| CN113128113B (zh) * | 2021-04-14 | 2024-04-12 | 国网上海市电力公司 | 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法 |
| CN115310727B (zh) * | 2022-10-11 | 2023-02-03 | 山东建筑大学 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
-
2022
- 2022-10-11 CN CN202211237284.7A patent/CN115310727B/zh active Active
-
2023
- 2023-10-11 WO PCT/CN2023/124004 patent/WO2024078530A1/zh unknown
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108681585A (zh) * | 2018-05-14 | 2018-10-19 | 浙江工业大学 | 一种基于NetSim-TL的多源迁移学习标签流行性预测模型的构建方法 |
| CN109373438A (zh) * | 2018-09-11 | 2019-02-22 | 太原理工大学 | 基于迁移学习算法的供热节能控制方法与系统 |
| US20200097850A1 (en) * | 2018-09-20 | 2020-03-26 | Electronics And Telecommunications Research Institute | Machine learning apparatus and method based on multi-feature extraction and transfer learning, and leak detection apparatus using the same |
| CN110969293A (zh) * | 2019-11-22 | 2020-04-07 | 上海交通大学 | 一种基于迁移学习的短期广义负荷预测方法 |
| CN112330012A (zh) * | 2020-11-03 | 2021-02-05 | 山东大卫国际建筑设计有限公司 | 一种基于迁移学习的建筑能耗预测方法及设备 |
| US20220138495A1 (en) * | 2020-11-05 | 2022-05-05 | University Of Electronic Science And Technology Of China | Model and method for multi-source domain adaptation by aligning partial features |
| US20220172038A1 (en) * | 2020-11-30 | 2022-06-02 | International Business Machines Corporation | Automated deep learning architecture selection for time series prediction with user interaction |
| CN113537571A (zh) * | 2021-06-19 | 2021-10-22 | 复旦大学 | 基于cnn-lstm混合网络模型的建筑能耗电负荷预测方法及装置 |
| CN113887495A (zh) * | 2021-10-21 | 2022-01-04 | 新智我来网络科技有限公司 | 基于迁移学习的视频标注方法及装置 |
| CN114241265A (zh) * | 2021-12-15 | 2022-03-25 | 北京工业大学 | 一种基于样本权重的多源域多层级迁移学习方法 |
| CN114548575A (zh) * | 2022-02-28 | 2022-05-27 | 山东国地水利土地勘察设计有限公司 | 基于迁移学习的自适应建筑日前负荷预测方法 |
| CN115049142A (zh) * | 2022-06-29 | 2022-09-13 | 山东建筑大学 | 基于迁移学习的跨域电动汽车充电站负荷预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 尹春杰等: "基于LSTM神经网络的区域微网短期负荷预测", 《计算机与现代化》 * |
| 田晨璐: "基于深度学习方法的建筑用能数据分析研究", 《中国博士学位论文全文数据库》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024078530A1 (zh) * | 2022-10-11 | 2024-04-18 | 山东建筑大学 | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024078530A1 (zh) | 2024-04-18 |
| CN115310727B (zh) | 2023-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
| Guan et al. | An artificial-neural-network-based, constrained CA model for simulating urban growth | |
| CN112926795B (zh) | 一种基于sbo优化cnn的高层住宅建筑群热负荷预测方法及系统 | |
| CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
| CN111598224B (zh) | 基于模拟退火算法优化bp神经网络的空调冷负荷预测方法 | |
| CN104239982A (zh) | 一种基于时间序列和神经网络的建筑节假日能耗预测方法 | |
| CN110826784B (zh) | 能源使用效率的预测方法、装置及存储介质和终端设备 | |
| CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
| CN110543932A (zh) | 基于神经网络的空调性能预测方法和装置 | |
| CN114239991A (zh) | 一种基于数据驱动的楼宇供热负荷预测方法、装置与设备 | |
| CN115310727B (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| CN107704426A (zh) | 基于扩展小波神经网络模型的水位预测方法 | |
| CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
| CN113435595A (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
| CN117114438A (zh) | 一种具备灵活性与可解释性的建筑区域能源系统冷热负荷数据驱动预测方法 | |
| CN115759458A (zh) | 基于综合能源数据处理和多任务深度学习的负荷预测方法 | |
| CN111814388A (zh) | 一种基于神经网络的下送风数据中心cfd仿真校验方法 | |
| Kumar et al. | Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach | |
| CN118017482A (zh) | 基于预测误差特征提取的灵活性爬坡容量需求分析方法 | |
| Wu et al. | Short-term electric load forecasting model based on PSO-BP | |
| Zi-hao et al. | A thermal energy usage prediction method for electric thermal storage heaters based on deep learning | |
| CN116613732A (zh) | 一种基于shap值选择策略的多元负荷预测方法及系统 | |
| Tan et al. | Long-term load forecasting based on feature fusion and lightgbm | |
| Sha et al. | Prediction of commercial building lighting energy consumption based on EPSO-BP |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |